Beruflich Dokumente
Kultur Dokumente
Abril 2010
por
1. Introducción
El siguiente documento presenta una aproximación a los modelos lineales
dinámicos (DLM por sus siglas en inglés) desde un punto de vista de la teoría bayesiana.
Por ende, se pretende realizar pronósticos mediante una actualización de las distribuciones
de variables estocásticas que influyen en las observaciones a través del tiempo dada nueva
información.
Yt t v t , v t N0, V t ,
1
El siguiente documento está basado íntegramente en West y Harrison (1997).
1
Universidad San Francisco
Abril 2010
t t−1 w t , w t N0, W t ,
Yt | t N t , V t
t | t−1 N t−1 , W t ,
debido a que se presentan como una combinación lineal de variables con distribución
normal i.i.d.
Por otra parte, nótese que si la razón definida por r t Wt /V t es pequeña para todo
t , la tendencia t es poco variable a través del tiempo. En consecuencia, el modelo puede
emplearse para pronósticos de corto plazo. Esto implica que, dada la información existente
Dt , el valor esperado de Ytk , ∀k ≥ 0 es
Definido el modelo, interesa entonces estudiar los pronósticos para uno y más
periodos a partir de t . Los teoremas siguientes permiten cumplir este objetivo.
2
Universidad San Francisco
Abril 2010
- Primero, surge la razón Rt /Qt conocida como coeficiente de adaptación a nuevos datos
y denotada como A t , la cual cumple con la desigualdad
0 < A t = Rt 2t 1
Qt ,
m t A t Yt 1 − A t m t−1 .
t |Dt−1 R−1
t
t |Dt C −1
Qt R Vt
t t R−1 −1 −1
t V t ≥ Rt
Rt V t Rt V t
Ahora bien, interesa de igual modo estudiar los pronósticos de más de un periodo a
3
Universidad San Francisco
Abril 2010
partir de t . Para hacerlo hay que considerar dos variables distintas: Ytk |Dt que se define
como el pronóstico para k ≥ 1 períodos adelante, y X t k|Dt definido por el pronóstico
k -step lead time, donde
k
X t k Yt1 . . . Ytk ∑ Ytj
j1
Una variación al modelo antes descrito es aquel que asume a las varianzas de los
errores observacionales y de evolución no cambian a lo largo del tiempo. Dicho modelo se
conoce como DLM constante y se define según el conjunto 1, 1, V, W tal que
Ec. de observaciones: Yt t v t , v t N0, V
Ec. de Sistema: t t−1 w t , w t N0, W
Información Inicial: 0 |D0 Nm 0 , C 0
limt→ A t A r 1 4r − 1
2
Y de igual manera
r A2
1−A
Qt → Q V
1−A
4
Universidad San Francisco
Abril 2010
Rt → R AQ
W A2 Q
V 1 − AQ
Qt k C t kW V
k 12k 1W
L t k k 2 C j kV
6 .
Suponga que para analizar cierto proceso, se escoge un DLM constante con
varianza observacional V y ratio r , cuando verdaderamente los datos están generados por
valores V 0 y r 0 . El modelo entonces presentaría en su forma asintótica la ecuación
ΔYt e t − e t−1 ,
ΔYt a t − 0 a t−1 ,
A fin de estudiar la incidencia de una mala selección de variables, se igualan las dos
expresiones anteriores tal que
5
Universidad San Francisco
Abril 2010
e t − e t−1 a t − 0 a t−1
t
e t a t − 0 ∑ j a t−j1
j0 .
R CW C
1−A
W A C
1−A ,
0. 8 ≤ ≤ 1 ,
1 −
Wt C t−1
.
6
Universidad San Francisco
Abril 2010
1 V −1
V .
∗
donde Wt es la varianza de w t cuando V 1 .
n0
E|D0 1 ,
d0 S0
0 |D0 t n 0 m 0 , C 0 ,
∗
donde C 0 S 0 C 0 .
7
Universidad San Francisco
Abril 2010
n t n t−1 1
e 2t S
S t S t−1 − 1 nt−1
Qt t
m t m t−1 A t et
Ct AtSt
e t Yt − f t
R
At t
Qt .
EYt Xt .
Sin embargo en este contexto, no existen argumentos suficientes que garanticen que
los parámetros serán constantes en todos los t . Por el contrario, es esperable que la
estructura de los procesos Xt y Yt cambien con el paso del tiempo, por lo que es preferible
redefinir el modelo de regresión tal que
EYt Xt t ,
donde una representación simple y adecuada para los parámetros t puede darse con
caminos aleatorios, de modo que
8
Universidad San Francisco
Abril 2010
La definición indica que los parámetros siguen un camino aleatorio como se planteó
líneas arriba, y que los cambios en los mismos se deben fundamentalmente al error de
evolución wt . Nótese además que el modelo de regresión estático presenta igualmente esta
forma con Wt 0 y t constante.
Ahora bien, a fin de facilitar el estudio de los DLM de regresión, una variación del
modelo que emplee una sola variable predictora y un valor del intercepto de 0, resulta
sumamente útil. Es así que es posible definir la siguiente estructura en consideración a estas
características.
9
Universidad San Francisco
Abril 2010
Teorema 6. Para k ≥ 1 , las distribuciones del pronóstico para k períodos adelante son
donde
f t k F tk m t
k
Rt k C t ∑ W tj
j1
t |Dt C −1 −1 2 −1 −1
t Rt F t V t ≥ t |D t−1 Rt .
rF 4 −1
A t → AF 1
2 rF
AFV
C t → CF
F2 ;
10
Universidad San Francisco
Abril 2010
t
0 m 0 C t ∑ F j V j Yj
m t C t C −1 2 −1
j1 ,
El DLM de regresión tiene claras ventajas por sobre el modelo estático; y éstas
pueden extenderse a todos los casos de DLM. A continuación se detallan las más evidentes.
Wt C t−1 −1 − 1
Rt − 1 C t .
Es así, que las ecuaciones para la regresión DLM con intercepto en el origen y
varianza observacional contante (con estimación puntual S t ) son las siguientes:
Ec. de observaciones: Yt F t t v t , v t N0, V
Ec. de Sistema: t t−1 w t , w t t n t−1 0, W t
11
Universidad San Francisco
Abril 2010
m t m t−1 A t e t
R
Ct t St
Qt
e t Yt − f t
FR
At t t
Qt .
Por otra parte, el siguiente principio se aplica siempre: "una combinación lineal de
DLM normales e independientes es asimismo un DLM normal. Esto permite que el modelo
combinado sea robusto, y que si una de las partes está errada, el resto de los términos del
modelo no se verán afectados.
12
Universidad San Francisco
Abril 2010
Ec. de sistema:
13
Universidad San Francisco
Abril 2010
−1 −1 −1 T
(c) Ct R t Ft V t Ft
(d) Qt 1 − Ft At −1 V t
T
−1
(e) Ft At 1 − V t Qt .
T
Estas identidades se pueden aplicar tanto al modelo univariado como a uno multivariado
reemplazando 1 por la matriz I donde corresponda.
donde
h F Th h
14
Universidad San Francisco
Abril 2010
f t k Ftk
T
a t k
Qt k Ftk
T
R t kFtk V tk
k−1
a t k Gtk a t k − 1 a t 0 Gtk−i
i0
a t 0 mt
R t 0 Ct
Ct j, j R t j .
15
Universidad San Francisco
Abril 2010
mt a t At e t
S
Ct t R t − At Qt ATt
S t−1
e t Yt − f t
At R t Ft Q−1t
Dist. de Pronósticos: tk |Dt Na t k, R t k
Ytk |Dt Nf t k, Qt k .
5. Ilustraciones
La tabla 1 presenta información acerca de las diferencias del tipo de cambio £/$
para un periodo de 9 años y 7 meses. Cabe resaltar que los datos se encuentran expresados
en escala logarítmica como es común para variables de esta naturaleza.
1.35 1.00 -1.96 -2.17 -1.78 -4.21 -3.30 -1.43 -1.35 -0.34 -1.38 0.30
-0.10 -4.13 -5.12 -2.13 -1.17 -1.24 1.01 -3.02 -5.40 -0.12 2.47 2.06
-0.18 0.29 0.23 0.00 0.06 0.17 0.98 0.17 1.59 2.62 1.96 4.28
0.26 -1.66 -3.03 -1.80 1.04 3.06 2.50 0.87 2.42 -2.37 1.22 1.05
-0.05 1.68 1.70 -0.73 2.59 6.77 -0.98 -1.71 -2.53 -0.61 3.14 2.96
1.01 -3.69 0.45 3.89 1.38 1.57 -0.08 1.30 0.62 -0.87 -2.11 2.48
-4.73 -2.70 -2.45 -4.17 -5.76 -5.09 -2.92 -0.22 1.42 3.26 0.05 -0.95
-2.14 -2.19 -1.96 2.18 -2.97 -1.89 0.12 -0.76 -0.94 -3.90 -0.86 -2.88
-2.58 -2.78 3.30 2.06 -1.54 -1.30 -1.78 -0.13 -0.20 -1.35 -2.82 -1.97
2.25 1.17 -2.29 -2.49 -0.87 -4.15 -0.53
Tabla 1
16
Universidad San Francisco
Abril 2010
6
4
2
tsindex
0
-2
-4
-6
0 20 40 60 80 100
Time
Figura 1
Dada la incertidumbre que se tiene al respecto del modelo, se asumen dos casos de
coeficientes de descuento y luego de analizar sus resultados, se escogerá la mejor tal que:
17
Universidad San Francisco
Abril 2010
Coef. De
t Wt Rt Qt Pronóstico Adaptación Yt et1 mt Ct nt St
0 1.35 1.00 1.00 0.01
1 0.25 1.25 1.26 0.00 0.99 1.00 1.00 0.99 0.01 2.00 0.01
2 0.00 0.01 0.02 0.99 0.55 -1.96 -2.95 -0.64 0.72 3.00 1.30
3 0.18 0.90 2.20 -0.64 0.41 -2.17 -1.53 -1.27 0.54 4.00 1.32
4 0.14 0.68 2.00 -1.27 0.34 -1.78 -0.51 -1.44 0.37 5.00 1.09
5 0.09 0.46 1.55 -1.44 0.30 -4.21 -2.77 -2.26 0.54 6.00 1.81
6 0.13 0.67 2.48 -2.26 0.27 -3.30 -1.04 -2.54 0.45 7.00 1.66
7 0.11 0.56 2.23 -2.54 0.25 -1.43 1.11 -2.26 0.40 8.00 1.57
8 0.10 0.50 2.07 -2.26 0.24 -1.35 0.91 -2.04 0.35 9.00 1.47
9 0.09 0.44 1.91 -2.04 0.23 -0.34 1.70 -1.65 0.36 10.00 1.54
… … … … … … … … … … … …
109 0.20 1.00 5.00 -0.64 0.20 1.17 1.81 -0.28 0.80 110.00 3.99
110 0.20 1.00 4.99 -0.28 0.20 -2.29 -2.01 -0.68 0.80 111.00 3.98
111 0.20 1.00 4.98 -0.68 0.20 -2.49 -1.81 -1.04 0.79 112.00 3.97
112 0.20 0.99 4.96 -1.04 0.20 -0.87 0.17 -1.01 0.79 113.00 3.94
113 0.20 0.98 4.92 -1.01 0.20 -4.15 -3.14 -1.64 0.79 114.00 3.97
114 0.20 0.99 4.96 -1.64 0.20 -0.53 1.11 -1.41 0.79 115.00 3.95
115 0.20 0.99 4.93 -1.41 0.20
Tabla 2
Coef. De
t Wt Rt Qt Pronóstico Adaptación Yt et1 mt Ct nt St
0 1.35 0.00 1.00 1.00 0.01
1 0.00 1.00 1.01 0.00 0.99 1.00 1.00 0.99 0.01 2.00 0.01
2 0.00 0.01 0.02 0.99 0.50 -1.96 -2.95 -0.48 0.73 3.00 1.46
3 0.00 0.73 2.19 -0.48 0.33 -2.17 -1.69 -1.04 0.52 4.00 1.58
4 0.00 0.52 2.10 -1.04 0.25 -1.78 -0.74 -1.22 0.34 5.00 1.34
5 0.00 0.34 1.68 -1.22 0.20 -4.21 -2.99 -1.82 0.46 6.00 2.31
6 0.00 0.46 2.77 -1.82 0.17 -3.30 -1.48 -2.07 0.37 7.00 2.24
7 0.00 0.37 2.61 -2.07 0.14 -1.43 0.64 -1.98 0.29 8.00 2.00
8 0.00 0.29 2.29 -1.98 0.12 -1.35 0.63 -1.90 0.23 9.00 1.82
9 0.00 0.23 2.05 -1.90 0.11 -0.34 1.56 -1.72 0.21 10.00 1.85
… … … … … … … … … … … …
109 0.00 0.05 5.42 -0.47 0.01 1.17 1.64 -0.46 0.05 110.00 5.34
110 0.00 0.05 5.39 -0.46 0.01 -2.29 -1.83 -0.47 0.05 111.00 5.32
111 0.00 0.05 5.37 -0.47 0.01 -2.49 -2.02 -0.49 0.05 112.00 5.31
112 0.00 0.05 5.36 -0.49 0.01 -0.87 -0.38 -0.49 0.05 113.00 5.27
113 0.00 0.05 5.31 -0.49 0.01 -4.15 -3.66 -0.53 0.05 114.00 5.34
114 0.00 0.05 5.38 -0.53 0.01 -0.53 0.00 -0.53 0.05 115.00 5.29
115 0.00 0.05 5.34 -0.53 0.01
Tabla 3
La figura 2 presenta el ajuste de los modelos a los datos. Nótese que el primero, al
tener A t mayor, reacciona más ante los cambios en los datos. Esto implica también que el
caso con 1 se presenta como un camino aleatorio puro, donde W t 0 para todo t .
18
Universidad San Francisco
Abril 2010
delta = 0.8
6
delta = 1.0
4
2
Yt
0
-2
-4
-6
0 20 40 60 80 100
Figura 2
19
Universidad San Francisco
Abril 2010
4
3
At[-1]
St
2
1
0
0 20 40 60 80 100 0 20 40 60 80 100
t[-1] t
5
0.8
4
3
Qt
Ct
0.4
2
1
0.0
0 20 40 60 80 100 0 20 40 60 80 100
t t
Figura 3
Yt P t t ,
La tabla 5 presenta información trimestral de estas variables. Los datos han sido
transformados a su forma logarítmica a fin de linealizar la ecuación anterior.
20
Universidad San Francisco
Abril 2010
t Y P
1 0.45 -0.5
2 0.83 -1.3
3 1.45 -1.5
4 0.88 -0.84
5 -1.43 -0.65
6 -1.5 -1.19
7 -2.33 2.12
8 -0.78 0.46
9 0.58 -0.63
10 1.1 -1.22
11 NA -2
12 NA 2
Tabla 5
0
-2
2 4 6 8 10
Time
ts(price[-(11:12)])
2
1
-1 0
2 4 6 8 10
Time
Figura 4
Se intenta pronosticar el valor de Y11 y Y12 , por lo que inicialmente se corre una
regresión simple sin intercepto. Se obtienen así los siguientes resultados:
21
Universidad San Francisco
Abril 2010
Call:
lm(formula = share ~price[-(11:12)] - 1)
Residuals:
Min 1Q Median 3Q Max
-2.25992 -0.85371 0.06527 0.28511 0.49212
Coefficients:
Estimate Std. Error t value Pr(>|t|)
price[-(11:12)] -0.6386 0.2918 -2.188 0.0564.
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
Residual standard error: 1.065 on 9 degrees of freedom
Multiple R-squared: 0.3473, Adjusted R-squared: 0.2748
F-statistic: 4.789 on 1 and 9 DF, p-value: 0.0564
1
0
share
-1
-2
-1 0 1 2
price[-(11:12)]
Figura 5
22
Universidad San Francisco
Abril 2010
2
1
tselast
0
-1
2 4 6 8 10
Time
Figura 6
Coef. De
t Wt Rt Qt Pronóstico Adaptación Yt et1 mt Ct Vt
1 0.45 0.00 1.00 0.20
2 0.67 1.67 3.02 0.00 -0.72 0.83 0.83 -0.60 0.11 0.20
3 0.07 0.18 0.61 0.89 -0.45 1.45 0.56 -0.85 0.06 0.20
4 0.04 0.10 0.27 0.71 -0.31 0.88 0.17 -0.90 0.07 0.20
5 0.05 0.12 0.25 0.58 -0.32 -1.43 -2.01 -0.26 0.10 0.20
6 0.07 0.16 0.43 0.31 -0.45 -1.50 -1.81 0.55 0.08 0.20
7 0.05 0.13 0.77 1.18 0.35 -2.33 -3.51 -0.67 0.03 0.20
8 0.02 0.05 0.21 -0.31 0.12 -0.78 -0.47 -0.72 0.05 0.20
9 0.03 0.09 0.23 0.46 -0.23 0.58 0.12 -0.75 0.07 0.20
10 0.05 0.12 0.38 0.92 -0.39 1.10 0.18 -0.82 0.06 0.20
11 0.04 0.11 0.63 1.65 -0.34 0.03 0.20
12 0.02 0.06 0.43 -1.65 0.27 0.03 0.20
Tabla 6
23
Universidad San Francisco
Abril 2010
Coef. De
t Wt Rt Qt Pronóstico Adaptación Yt et2 mt Ct St Pt
1 0.45 0.00 1.00 0.20 5.00
2 0.67 1.67 3.02 0.00 -0.72 0.83 0.83 -0.60 0.07 0.12 8.14
3 0.05 0.11 0.38 0.89 -0.45 1.45 0.56 -0.85 0.03 0.12 8.66
4 0.02 0.06 0.16 0.71 -0.31 0.88 0.17 -0.90 0.03 0.09 10.89
5 0.02 0.06 0.12 0.58 -0.32 -1.43 -2.01 -0.26 0.35 0.72 1.39
6 0.23 0.58 1.54 0.31 -0.45 -1.50 -1.81 0.55 0.32 0.85 1.18
7 0.21 0.54 3.26 1.18 0.35 -2.33 -3.51 -0.67 0.20 1.19 0.84
8 0.13 0.33 1.26 -0.31 0.12 -0.78 -0.47 -0.72 0.28 1.07 0.94
9 0.18 0.46 1.25 0.46 -0.23 0.58 0.12 -0.75 0.35 0.95 1.05
10 0.23 0.58 1.82 0.92 -0.39 1.10 0.18 -0.82 0.27 0.86 1.17
11 0.18 0.46 2.69 1.65 -0.34
12 -1.65
Tabla 7
Para comparar estos modelos con la regresión lineal simple hecha anteriormente, la
figura 7 muestra el ajuste de los coeficientes estimados con relación a la elasticidad
observada. Adicional a esto, los estadísticos MAD y MSE de ambos casos se presentan en
la tabla 8.
2
DLM
Reg. Simple
1
tselast
0
-1
2 4 6 8 10
Time
Figura 7
24
Universidad San Francisco
Abril 2010
t Reg.Sim DLM
11 1.28 1.65
12 -1.28 -1.65
Tabla 9
25
Universidad San Francisco
Abril 2010
6. Bibliografía y Referencias
- WEST Mike, HARRISON Jeff, Bayesian Forecasting and Dynamic Models, 2º Ed.,
1997, Springer Series in Statistics.
26
Universidad San Francisco
Abril 2010
index=c(1.35,1,-1.96,-2.17,-1.78,-4.21,-3.30,-1.43,-1.35,
-0.34,-1.38,0.3,-0.1,-4.13,-5.12,-2.13,-1.17,-1.24,1.01,
-3.02,-5.4,-0.12,2.47,2.06,-0.18,0.29,0.23,0,0.06,0.17,
0.98,0.17,1.59,2.62,1.96,4.28,0.26,-1.66,-3.03,-1.8,1.04,
3.06,2.5,0.87,2.42,-2.37,1.22,1.05,-0.05,1.68,1.7,-0.73,2.59,
6.77,-0.98,-1.71,-2.53,-0.61,3.14,2.96,1.01,-3.69,0.45,
3.89,1.38,1.57,-0.08,1.3,0.62,-0.87,-2.11,2.48,-4.73,-2.7,
-2.45,-4.17,-5.76,-5.09,-2.92,-0.22,1.42,3.26,0.05,-0.95,
-2.14,-2.19,-1.96,2.18,-2.97,-1.89,0.12,-0.76,-0.94,
-3.9,-0.86,-2.88,-2.58,-2.78,3.3,2.06,-1.54,-1.3,-1.78,-0.13,
-0.2,-1.35,-2.82,-1.97,2.25,1.17,-2.29,-2.49,-0.87,-4.15,
-0.53)
tsindex=ts(index)
plot(tsindex)
abline(h=0)
m0=0
C0=1
n0=1
d0=0.01
S0=d0/n0
t=seq(0,115,1)
#coeficiente delta=0.8#
delta=0.8
Wt=c(0)
Rt=c(0)
Qt=c(0)
ft1=c(0)
At=c(0)
Yt=c(index[1])
et1=c(0)
mt=c(m0)
Ct=c(C0)
nt=c(n0)
dt=c(d0)
St=c(S0)
Pt=c(1/S0)
for (i in 1:115){
Wt=c(Wt,(1-delta)*Ct[i]/delta)
Rt=c(Rt,Ct[i]+Wt[i+1])
27
Universidad San Francisco
Abril 2010
Qt=c(Qt,Rt[i+1]+St[i])
ft1=c(ft1,mt[i])
At=c(At,Rt[i+1]/Qt[i+1])
Yt=c(Yt,index[i+1])
et1=c(et1,Yt[i+1]-ft1[i+1])
mt=c(mt,mt[i]+At[i+1]*et1[i+1])
nt=c(nt,nt[i]+1)
St=c(St,St[i]+St[i]*(-1+et1[i+1]**2/Qt[i+1])/nt[i+1])
Ct=c(Ct,At[i+1]*St[i+1])
Pt=c(Pt,1/Ct[i+1])
}
table1=cbind(t,Wt,Rt,Qt,ft1,At,Yt,et1,mt,Ct,nt,St,Pt)
#coeficiente delta=1#
delta=1
Wt=c(0)
Rt=c(0)
Qt=c(0)
ft2=c(0)
At=c(0)
Yt=c(index[1])
et2=c(0)
mt=c(m0)
Ct=c(C0)
nt=c(n0)
dt=c(d0)
St=c(S0)
Pt=c(1/S0)
for (i in 1:115){
Wt=c(Wt,(1-delta)*Ct[i]/delta)
Rt=c(Rt,Ct[i]+Wt[i+1])
Qt=c(Qt,Rt[i+1]+St[i])
ft2=c(ft2,mt[i])
At=c(At,Rt[i+1]/Qt[i+1])
Yt=c(Yt,index[i+1])
et2=c(et2,Yt[i+1]-ft2[i+1])
mt=c(mt,mt[i]+At[i+1]*et2[i+1])
nt=c(nt,nt[i]+1)
St=c(St,St[i]+St[i]*(-1+et2[i+1]**2/Qt[i+1])/nt[i+1])
Ct=c(Ct,At[i+1]*St[i+1])
Pt=c(Pt,1/Ct[i+1])
}
table2=cbind(t,Wt,Rt,Qt,ft2,At,Yt,et2,mt,Ct,nt,St,Pt)
28
Universidad San Francisco
Abril 2010
lines(t,ft1,col="blue")
lines(t,ft2,col="red")
legend(80,7,c("delta = 0.8","delta =
1.0"),col=c("blue","red"),lty=1)
table1[110:116,]
table2[110:116,]
MAD1=sum(abs(et1[-length(et1)]))/length(index)
MAD2=sum(abs(et2[-length(et1)]))/length(index)
MSE1=sum(et1[-length(et1)]**2)/length(index)
MSE2=sum(et2[-length(et1)]**2)/length(index)
MAD1
MAD2
MSE1
MSE2
#Estudio de convergencia#
par(mfrow=c(2,2))
plot(t[-1],At[-1],type="l")
plot(t,St,type="l")
plot(t,Ct,type="l")
plot(t,Qt,type="l")
##EJERCICIO 2##
share=c(0.45,0.83,1.45,0.88,-1.43,-1.50,-2.33,-
0.78,0.58,1.10)
price=c(-0.5,-1.3,-1.5,-0.84,-0.65,-1.19,2.12,0.46,-0.63,-
1.22,-2,2)
par(mfrow=c(2,1))
plot(ts(share))
plot(ts(price[-(11:12)]))
par(mfrow=c(1,1))
reg.sim=lm(share~price[-(11:12)]-1)
summary(reg.sim)
plot(price[-(11:12)],share)
abline(reg.sim)
elast=share/price[-(11:12)]
tselast=ts(elast)
plot(tselast,type="l")
m0=0
C0=1
29
Universidad San Francisco
Abril 2010
t=seq(1,12,1)
for (i in 1:11){
Wt=c(Wt,(1-delta)*Ct[i]/delta)
Rt=c(Rt,Ct[i]+Wt[i+1])
Qt=c(Qt,(price[i+1]**2)*Rt[i+1]+Vt[i])
ft=c(ft,price[i+1]*mt1[i])
At=c(At,price[i+1]*Rt[i+1]/Qt[i+1])
Yt=c(Yt,share[i+1])
et1=c(et1,Yt[i+1]-ft[i+1])
mt1=c(mt1,mt1[i]+At[i+1]*et1[i+1])
Vt=c(Vt,V)
Ct=c(Ct,Rt[i+1]*Vt[i+1]/Qt[i+1])
Pt=c(Pt,1/Vt[i+1])
}
table1=cbind(t,Wt,Rt,Qt,ft,price,At,Yt,et1,mt1,Ct,Vt,Pt)
30
Universidad San Francisco
Abril 2010
Pt=c(1/V)
for (i in 1:11){
Wt=c(Wt,(1-delta)*Ct[i]/delta)
Rt=c(Rt,Ct[i]+Wt[i+1])
Qt=c(Qt,(price[i+1]**2)*Rt[i+1]+St[i])
ft=c(ft,price[i+1]*mt2[i])
At=c(At,price[i+1]*Rt[i+1]/Qt[i+1])
Yt=c(Yt,share[i+1])
et2=c(et2,Yt[i+1]-ft[i+1])
mt2=c(mt2,mt2[i]+At[i+1]*et2[i+1])
nt=c(nt,nt[i]+1)
St=c(St,St[i]+St[i]*(-1+et2[i+1]**2/Qt[i+1])/nt[i+1])
Ct=c(Ct,Rt[i+1]*St[i+1]/Qt[i+1])
Pt=c(Pt,1/St[i+1])
}
table2=cbind(t,Wt,Rt,Qt,ft,price,At,Yt,et2,mt2,Ct,St,Pt)
#Presentación de Resultados#
plot(tselast,type="p")
lines(t,mt1,col="red")
lines(c(0,10),c(reg.sim$coef,reg.sim$coef),col="blue")
legend(7,2,c("DLM","Reg.
Simple"),col=c("red","blue"),lty=c(1,1))
table1
table2
MAD1=sum(abs(et1[-(11:12)]))/length(share)
MAD2=sum(abs(reg.sim$residuals))/length(share)
MSE1=sum(et1[-(11:12)]**2)/length(share)
MSE2=sum((reg.sim$residuals)**2)/length(share)
MAD1
MAD2
MSE1
MSE2
31